Update app.py

app.py

@@ -1,5 +1,5 @@
 # ================================
-# 0. PATCH HF + GRADIO BUGS
+# 0. PATCH pour huggingface_hub (contourne l'absence de HfFolder)
 # ================================
 import huggingface_hub
 if not hasattr(huggingface_hub, 'HfFolder'):
@@ -13,6 +13,10 @@ if not hasattr(huggingface_hub, 'HfFolder'):
             HfFolder._token = token
     huggingface_hub.HfFolder = HfFolder
 
+# ================================
+# 1. PATCH pour contourner le bug de Gradio 4.44.0
+#    (TypeError: argument of type 'bool' is not iterable)
+# ================================
 import gradio_client.utils
 
 original_get_type = gradio_client.utils.get_type
@@ -25,7 +29,7 @@ def patched_get_type(schema):
 gradio_client.utils.get_type = patched_get_type
 
 # ================================
-# 1. IMPORTS
+# 2. IMPORTS STANDARDS
 # ================================
 import gradio as gr
 import tensorflow as tf
@@ -33,90 +37,76 @@ import numpy as np
 import cv2
 from PIL import Image
 
-tf.keras.mixed_precision.set_global_policy('float32')
-
 # ================================
-# 2. LOAD MODEL (DETECTION)
+# 3. CHARGEMENT DU MODÈLE (détection)
 # ================================
-MODEL_PATH = "final_model.keras"
-
+MODEL_PATH = "detection_model.h5"  # Note: le modèle sauvegardé est .h5 (HDF5)
 model = tf.keras.models.load_model(MODEL_PATH, compile=False)
 
-# IMPORTANT : recompilation avec deux sorties
-model.compile(
-    optimizer='adam',
-    loss={
-        'class': 'binary_crossentropy',
-        'bbox': 'mse'
-    }
-)
+# Recompiler pour éviter les warnings (non nécessaire pour l'inférence)
+model.compile(optimizer='adam', loss={'class_output':'sparse_categorical_crossentropy', 'bbox_output':'mse'})
 
-# ================================
-# 3. CONFIG
-# ================================
-IMG_SIZE = 224  # IMPORTANT : même taille que training
+IMG_SIZE = 224
 
 # ================================
-# 4. PREPROCESS
+# 4. FONCTION DE PRÉDICTION
 # ================================
 def preprocess_image(img):
-    original_size = img.size  # (width, height)
-
-    img_resized = img.resize((IMG_SIZE, IMG_SIZE))
-    img_array = np.array(img_resized, dtype=np.float32) / 255.0
+    """Redimensionne et normalise l'image pour le modèle."""
+    img = img.resize((IMG_SIZE, IMG_SIZE))
+    img_array = np.array(img, dtype=np.float32) / 255.0
     img_array = np.expand_dims(img_array, axis=0)
-
-    return img_array, original_size
-
-# ================================
-# 5. PREDICTION (DETECTION)
-# ================================
-def predict(img):
-    img_array, (orig_w, orig_h) = preprocess_image(img)
-
-    pred_class, pred_bbox = model.predict(img_array, verbose=0)
-
-    prob = float(pred_class[0][0])
-    label = "weed" if prob > 0.5 else "crop"
-
-    # bbox normalisée → pixels
-    xmin, ymin, xmax, ymax = pred_bbox[0]
-
-    xmin = int(xmin * orig_w)
-    xmax = int(xmax * orig_w)
-    ymin = int(ymin * orig_h)
-    ymax = int(ymax * orig_h)
-
-    # Convertir en OpenCV
-    img_cv = cv2.cvtColor(np.array(img), cv2.COLOR_RGB2BGR)
-
-    # Dessiner rectangle
-    color = (0, 0, 255) if label == "weed" else (0, 255, 0)
-
-    cv2.rectangle(img_cv, (xmin, ymin), (xmax, ymax), color, 2)
-
-    text = f"{label}: {prob:.2f}"
-    cv2.putText(img_cv, text, (xmin, max(20, ymin-10)),
-                cv2.FONT_HERSHEY_SIMPLEX, 0.7, color, 2)
-
-    # Convertir обратно en PIL
-    img_out = Image.fromarray(cv2.cvtColor(img_cv, cv2.COLOR_BGR2RGB))
-
-    return img_out
-
-# ================================
-# 6. GRADIO UI (DETECTION)
+    return img_array
+
+def predict_detection(img):
+    """
+    Prend une image PIL, renvoie l'image avec boîte englobante dessinée et le texte de classification.
+    """
+    # Prétraitement
+    processed = preprocess_image(img)
+    
+    # Prédiction
+    pred_cls, pred_bbox = model.predict(processed, verbose=0)
+    cls = np.argmax(pred_cls[0])  # 0 = crop, 1 = weed
+    bbox = pred_bbox[0]  # [xmin, ymin, xmax, ymax] en coordonnées normalisées (0-1)
+    
+    # Convertir en coordonnées pixel sur l'image originale (taille originale)
+    # L'utilisateur a téléchargé une image qui peut ne pas être carrée, nous devons adapter.
+    # Nous travaillons sur l'image redimensionnée pour l'affichage, mais la boîte doit être
+    # redimensionnée proportionnellement. On va redessiner sur une copie de l'image redimensionnée
+    # pour l'affichage.
+    img_disp = img.resize((IMG_SIZE, IMG_SIZE))  # même taille que celle utilisée par le modèle
+    w, h = img_disp.size
+    
+    # Coordonnées absolues
+    xmin = int(bbox[0] * w)
+    ymin = int(bbox[1] * h)
+    xmax = int(bbox[2] * w)
+    ymax = int(bbox[3] * h)
+    
+    # Convertir PIL en array OpenCV (BGR) pour dessiner
+    img_cv = cv2.cvtColor(np.array(img_disp), cv2.COLOR_RGB2BGR)
+    # Dessiner le rectangle
+    cv2.rectangle(img_cv, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2)
+    # Ajouter le texte
+    label = "Crop" if cls == 0 else "Weed"
+    cv2.putText(img_cv, label, (xmin, ymin-5), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)
+    
+    # Reconvertir en PIL pour affichage
+    img_result = Image.fromarray(cv2.cvtColor(img_cv, cv2.COLOR_BGR2RGB))
+    
+    return img_result
+
+# ================================
+# 5. INTERFACE GRADIO
 # ================================
 iface = gr.Interface(
-    fn=predict,
-    inputs=gr.Image(type="pil", label="Image de champ"),
-    outputs=gr.Image(type="pil", label="Détection (Bounding Box)"),
-    title="🌱 Détection Culture vs Mauvaise Herbe",
-    description="Le modèle détecte l'objet et dessine un rectangle autour (crop ou weed)."
+    fn=predict_detection,
+    inputs=gr.Image(type="pil", label="Chargez une image de champ"),
+    outputs=gr.Image(type="pil", label="Résultat avec détection"),
+    title="Détection Culture / Mauvaise Herbe",
+    description="Ce modèle (MobileNetV2) détecte les cultures et les mauvaises herbes et renvoie la boîte englobante de l'objet principal ainsi que sa classe."
 )
 
-# ================================
-# 7. RUN
-# ================================
 if __name__ == "__main__":
     iface.launch(share=True)